一种基于中立二型模糊集的绿色建筑经济性判定方法技术

本发明专利技术公开了一种基于中立二型模糊集的绿色建筑经济性判定方法。其中，所述方法包括：选用若干评价指标因子，基于该评价指标因子构建神经网络模型，输出神经网络权重值；基于该神经网络权重值将神经网络模型转换为连续非线性系统的控制框架；基于该控制框架构建滑膜控制器调整神经网络模型权重值优化神经网络。本发明专利技术利用中立二型模糊集的神经网络使得系统更能有效处理不确定性信息，有效解决现有的方案主观因素影响较大的问题；同时针对算法收敛慢且学习误差大的问题，给出了将神经网络模型转化为连续非线性系统的控制框架，利用滑膜控制器对权重进行在线调整的技术方案，保证了模型训练过程中快速与准确的收敛。模型训练过程中快速与准确的收敛。模型训练过程中快速与准确的收敛。

【技术实现步骤摘要】
一种基于中立二型模糊集的绿色建筑经济性判定方法


[0001]本专利技术涉及绿色建筑经济性判定
，尤其涉及一种基于中立二型模糊集的绿色建筑经济性判定方法和装置以及设备。

技术介绍

[0002]建筑对经济、社会和环境的影响巨大。随着建筑对环境的影响越来越重视，绿色建筑的经济评估在建筑行业中显得越来越重要。
[0003]现有的绿色建筑经济性判定方案，一般是建立绿色建筑指标，根据该指标建立神经网络模型，进而预估判定绿色建筑经济性。
[0004]然而，现有的绿色建筑经济性判定方案，主观因素影响较大，神经网络训练过程中不够快速准确。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种基于中立二型模糊集的绿色建筑经济性判定方法和装置以及设备，能够实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。
[0006]根据本专利技术的一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定方法，包括：选用若干评价指标因子，基于该评价指标因子构建神经网络模型，输出神经网络权重值；基于该神经网络权重值将神经网络模型转换为连续非线性系统的控制框架；基于该控制框架构建滑膜控制器调整神经网络模型权重值优化神经网络。
[0007]根据本专利技术的另一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定装置，包括：评价指标因子模块、神经网络模块、框架模块和滑膜控制器模块；所述评价指标因子模块，用于选用绿色建筑的评价指标因子；所述神经网络模块，用于构建神经网络模型，输出神经网络权重值；所述框架模块，用于将神经网络模型转换为连续非线性系统的控制框架；所述滑膜控制器模块，用于构建滑膜控制器调整神经网络模型权重值。
[0008]根据本专利技术的又一个方面，提供一种基于中立二型模糊集的绿色建筑经济性判定设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一项所述的基于中立二型模糊集的绿色建筑经济性判定方法。
[0009]根据本专利技术的再一个方面，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的基于中立二型模糊集的绿色建筑经济性判定方法。
[0010]可以发现，以上方案，本专利技术提出的利用具有中立二型模糊集的大脑情感学习神经网络去实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。中立二型模糊集的神经网络使得系统更能有效处理不确定性信息，如非线性、时变性
等，有效解决现有的绿色建筑经济性判定方案，主观因素影响较大的问题；同时针对算法收敛慢且学习误差大的问题，给出了将神经网络模型转化为连续非线性系统的控制框架，利用滑膜控制器对权重进行在线调整的技术方案，利用调整的学习率对模型进行迭代训练，保证了模型训练过程中快速与准确的收敛。
附图说明
[0011]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0012]图1是本专利技术基于中立二型模糊集的绿色建筑经济性判定方法一实施例的流程示意图；
[0013]图2是本专利技术基于中立二型模糊集的绿色建筑经济性判定方法一实施例的框架示意图。
具体实施方式
[0014]下面结合附图和实施例，对本专利技术作进一步的详细描述。特别指出的是，以下实施例仅用于说明本专利技术，但不对本专利技术的范围进行限定。同样的，以下实施例仅为本专利技术的部分实施例而非全部实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0015]本专利技术提供一种基于中立二型模糊集的绿色建筑经济性判定方法，能够实现绿色建筑的经济性评估可以减少主观因素的影响，使结果更客观出结果更快。
[0016]请参见图1、图2，图1是本专利技术基于中立二型模糊集的绿色建筑经济性判定方法一实施例的流程示意图。需注意的是，若有实质上相同的结果，本专利技术的方法并不以图1所示的流程顺序为限。图2是本专利技术基于中立二型模糊集的绿色建筑经济性判定方法一实施例的框架示意图。如图1、图2所示，该方法包括如下步骤：
[0017]S1：选用12通道的绿色建筑的评价指标因子，构建具有五层映射关系的中立二型模糊大脑情感学习神经网络模型。
[0018]在本实施例中，选用12通道的绿色建筑的评价指标因子如下：
[0019]1)x1指能源的有效利用；
[0020]2)x2指土地资源的有效利用；
[0021]3)x3指水资源的有效利用；
[0022]4)x4指材料的有效利用；
[0023]5)x5指室内空气品质与通风；
[0024]6)x6指室内热环境；
[0025]7)x7指室内声环境；
[0026]8)x8指大气环境影响；
[0027]9)x9指水污染；
[0028]10)x
10
指光污染；
[0029]11)x
11
指噪声污染；
[0030]12)x
12
固体垃圾的处理。
[0031]构建x
i
,i＝1,2,
…
,12,作为12通道的绿色建筑的评价指标因子。
[0032]在本实施例中，构建具有五层映射关系的中立二型模糊大脑情感学习神经网络模型，描述如下：
[0033]第1层(输入层)：这层是信号的传输层，信号直接被传输使用如下：
[0034]x
i
,i＝1,2,
…
,12.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0035]第2层(模糊化层)：这层是高斯函数归一化处理，采用a和o的上下通道结构，分别采用高斯函数对历史与当前数据进行归一化处理，描述如下：
[0036][0037][0038][0039][0040]其中，分别表示上一时刻和当前时刻的高斯函数均值，分别表示表示上一时刻和当前时刻的高斯函数的标准差，符号exp代表e的指数运算,p为神经网络模型的层数,是高斯函数的运算结果。
[0041]第3层(模糊规则强度层)：这层代表模糊规则的处理部分，因此这一层的结果是通过累乘运算后得到，其输出可以描述为：
[0042][0043][0044]其中，符号∏表示累乘运算符,符号表示为取值0
‑
1之间的常数，定义为权重因子，是为了权衡上一刻的数据与当前数据的重要程度，是高斯函数累乘的运算结果。
[0045]第4层(结论层)：这层代表输出信号的权重累加，表示如下：
[0046][0047][0048本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于中立二型模糊集的绿色建筑经济性判定方法，其特征在于，包括：选用若干评价指标因子，基于该评价指标因子构建神经网络模型，输出神经网络权重值；基于该神经网络权重值将神经网络模型转换为连续非线性系统的控制框架；基于该控制框架构建滑膜控制器调整神经网络模型权重值优化神经网络。2.如权利要求1所述的基于中立二型模糊集的绿色建筑经济性判定方法，其特征在于，所述选用若干评价指标因子，基于该评价指标因子构建神经网络模型，输出神经网络表达式，包括：构建若干通道的绿色建筑的评价指标因子，并通过该评价指标因子构建神经网络输入层，和利用区间二型高斯型隶属度函数构建连接传输层的模糊化层，和构建连接模糊化层的模糊规则强度层，和构建连接模糊规则强度层的结论层，以及构建连接结论层的输出层。3.如权利要求1所述的基于中立二型模糊集的绿色建筑经济性判定方法，其特征在于，所述基于该神经网络表达式将神经网络模型转换为连续非线性系统的控制框架，包括：神经网络构建完成后获得若干权重值，利用该权重值将神经网络模型改写为函数表达式：y＝f(ω1，ω2，...，ω
i
，X)，i＝1，2，...，n其中，ω
i
表示权重值，向量x＝[x1，x2，...，x
12
]
T
是绿色建筑的评价指标因子，y是模型的输出结果；和对该函数表达式进行求导得：；和定义绿色建筑的评价参考指标y
d
，计算误差如下：e＝y
‑
y
d
·
以及定义B(t)是系统输入矩阵，u(t)是系统控制输入，w(t)是系统扰动：进一步得到连续非线性系统框架：4.如权利要求3所述的基于中立二型模糊集的绿色建筑经济性判定方法，其特征在于，所述基于该控制框架构建滑膜控制器调整神经网络模型权重值优化神经网络，包括：引入以下控制器其中，是待求的控制器；基于该待求控制器进一步得到：进一步定义积分滑膜面为：
s＝Ge
‑
∫
0t
G[Ke+||w(r)||sgn(s)]dr其中K是待求的控制器增益，||w(t)||是扰动w(t)的无穷范数，sgn是符号函数；G是选取的矩阵参数为了求解控制器增益K，建立李雅普诺夫函数如下：V(t)＝e
T
Pe其中P是正定对称的矩阵；定义李亚普诺夫函数的导数：定义一个矩阵G，由李亚普诺夫函数的导数得性能函数J(t)：式中γ是H无穷的性能指标将李亚普诺夫函数的导数带入该式中并令J(t)＜0得到线性矩阵不等式：将李亚普诺夫函数的导数带入该式中并令J(t)＜0得到线性矩阵不等式：其中，Sym代表矩阵自身与他的转置和，I代表单位矩阵；当该线性矩阵不等式成立，表示系统稳定，且J(t)＜0表示系统满足H无穷的性能指标；基于不等式成立的情况下，对神经网络权重值更新并优化神经网络。5.一种基于中立二型模糊集的绿色建筑经济性判定装置，其特征在于，包括：评价指标因子模块、神经网络模块、框架模块和滑膜控制器模块...

【专利技术属性】
技术研发人员：孙云栋，卞铃，杨自强，何林文，
申请(专利权)人：福建省茂宏建设工程有限公司，
类型：发明
国别省市：